Voiko vauvan unta tutkia luotettavasti myös kotona?
Uni on vauvan varhaiselle kehitykselle tärkeää, ja joskus siinä voi esiintyä häiriöitä. Uniongelmia on tutkittu perinteisesti sairaalaolosuhteissa, mutta siihen liittyy useita haasteita. Tutkimusryhmän kehittämällä älyvaatteella unta voidaan tutkia luotettavasti myös kotiolosuhteissa.
Johdanto
Uni on ensiarvoisen tärkeää vauvan kasvulle ja kehitykselle. Se tukee aivojen toimintaa ja auttaa käsittelemään päivän aikana opittuja asioita. Syvän unen aikana aivot ja keho lepäävät, oppiminen tehostuu ja elimistö erittää kasvuhormonia, joka ylläpitää lapsen kasvua aikuispituuden saavuttamiseen asti. Kevyt uni puolestaan tukee taitojen käsittelyä ja tallentamista sekä vahvistaa muistia. Hyvä uni vaikuttaa positiivisesti myös vauvan tunteisiin, keskittymiskykyyn ja mielialaan sekä koko perheen hyvinvointiin. Vaikka vauvojen univaikeudet ovat usein tilapäisiä, on tärkeää seurata vauvan unta mahdollisten unihäiriöiden ja epäsäännöllisyyksien havaitsemiseksi ajoissa.
Sairaalassa tehtävään lapsen unen mittaamiseen käytetään unipolygrafiaa, jossa tallennetaan useita kehon fysiologisia signaaleja, kuten aivojen aktiivisuus, silmien liikkeet, lihasjännitys, sydämen syke ja hengitys. Niistä voidaan tehdä tarkka arvio unen rakenteesta ja unenaikaisista toiminnoista, kuten hengityskatkoksista, tai muusta käyttäytymisestä. Vauvojen unipolygrafiatutkimus toteutetaan unilaboratoriossa, joka soveltuu vaikeampien terveydellisten uniongelmien selvitykseen. Se on kuitenkin lapselle vieras ympäristö, jossa johdot ja anturit voivat häiritä normaalia unta ja aiheuttaa epämukavuutta. Tämä voi vääristää unen laatua ja rakennetta verrattuna siihen, miten lapsi nukkuisi luonnollisessa kotiympäristössä.
Sairaalan ulkopuolella vauvan unen arviointi perustuu lähes yksinomaan vanhempien tulkinnallisiin havaintoihin, joita kerätään haastatteluilla ja unipäiväkirjoilla1. Vaikka nämä menetelmät ovat laajalti käytössä, ne eivät anna luotettavaa tietoa lapsen unen laadusta. Vauvan öisiä liikkeitä voidaan seurata aktigrafilla, joka muistuttaa aktiivisuusranneketta ja pystyy arvioimaan vauvan uniaikoja kohtuullisella tarkkuudella. Aktigrafimittausten tulkintaan vaikuttavat kuitenkin useat tekniset ja fysiologiset tekijät, kuten vauvoilla yleiset, normaalit uninykinät2.
Jotta vauvan unta voitaisiin tutkia luotettavammin myös kotona, on viime aikoina kehitetty uusia lähestymistapoja. Esimerkiksi lapsen liikettä voidaan mitata sänkyyn tai patjaan asennettavien antureiden avulla, jotka tuottavat kohtuullisen tarkkoja luokituksia lapsen unitiloista hyödyntämällä laskentamalleja, jotka erittelevät hengityksen, asennon ja liikkeiden laatuja3. Videopohjaiset kotimittaukset voisivat tarjota helposti ymmärrettävää tietoa vauvan unesta, mutta niiden luotettava toteuttaminen kotioloissa on haastavaa. Lisäksi videokuvaukseen liittyvät yksityisyyskysymykset herättävät huolta, mikä rajoittaa niiden käyttöä entisestään.
Kaiken kaikkiaan nykyiset sairaalan ulkopuolella käytettävät menetelmät pystyvät siis vain parhaimmillaan erottamaan valve- ja unitilat vaihtelevalla tarkkuudella. Ne eivät kuitenkaan pysty tunnistamaan lapsen uniaikaan liittyviä tärkeitä asioita, kuten unen rakennetta, esimerkiksi syvän ja pinnallisen unen vaihtelua tai unenaikaista käyttäytymistä, esimerkiksi lapsen pyörimistä sängyssä. Luotettava unen rakenteen tunnistaminen on kuitenkin olennaista, jotta lapsen unta voidaan arvioida luotettavasti eikä pelkästään vanhempien täyttämiin unipäiväkirjoihin perustuen.
Tässä artikkelissa esittelemme uuden innovatiivisen ratkaisun vauvan unen tutkimiseen sairaalan ulkopuolella, tarjoten parannuksia aikaisempien menetelmien haasteisiin ja rajoituksiin. Ratkaisu perustuu imeväisille puettavaan älyvaatteeseen, NAPping PAnts (NAPPA)4, joka yhdistää tavalliset pikkuhousut ja etuvyötärölle kiinnitettävän liikeanturin. Tämä mahdollistaa hengityksen, liikkeiden ja kehon asennon turvallisen ja pitkäaikaisen seurannan sekä sairaalassa että kotona. Mittaustulosten tulkinnan nopeuttamiseksi ja helpottamiseksi hyödynsimme koneoppimispohjaista unitilojen luokittelijaa. Artikkelissa tutkimme, miten hyvin NAPPA-mittausten pohjalta voidaan erottaa eri univaiheet, sekä arvioimme laitteen käyttäjäkokemusta.
Miten tutkimus tehtiin?
Koulutimme NAPPA-mittauksilla toimivan unitilojen luokittelualgoritmin käyttämällä samanaikaisesti unilaboratoriossa tehtyjä unipolygrafiamittauksista saatuja hypnogrammeja. Tutkimukseen osallistui yhteensä 33 vauvaa, jotka tulivat sairaalaan kliinisesti tarpeellisia laajoja unitutkimuksia varten ja joiden vanhemmat antoivat luvan lisätä NAPPA-tallenteet osaksi kliinistä tutkimusprotokollaa. Luokittimen kehityksessä lähdettiin luokittelutavoitteiden ja sopivien mittauspiirteiden valinnasta, joiden pohjalta koulutettiin luokitin erillisten unitilojen tunnistamiseen. Lopuksi sen avulla rakennettiin uudentyyppinen jatkuva unisyvyystrendi (Sleep Depth Trend, SDT), joka tarjoaa yhtenäisen yleiskatsauksen unen rakenteesta koko yön ajalta. Tämä tukee ja helpottaa intuitiivista arviointia unisykleistä, havahtumisista sekä valvetiloista.
Luokittimen tavoitteena oli tunnistaa kolme eri vireystilaa: valve, kevyt uni ja syvä uni, jossa ohitetaan REM- ja N1-univaiheet. Tämä valinta perustui kahteen ajatukseen: 1) kotimittausten kohdalla tärkeintä on saada näkyviin yleinen univaiheiden välinen rytmi ja 2) REM- ja N1-univaiheiden tunnistamiseen tarvittaisiin tietoa silmänliikkeistä, lihasjäntevyydestä ja aivokuoren toiminnasta, joita ei voida mitata pikkuhousujen kaltaisella NAPPA-ratkaisulla. Lisäksi ei ole syytä olettaa, että kotimittausten kannalta oleelliset kliiniset ongelmat hyötyisivät REM- tai N1-univaiheiden tunnistamisesta.
Lopuksi mittasimme NAPPA-unipöksyjen muotoilun toimivuutta verkkokyselyn avulla, jossa vanhempia pyydettiin antamaan palautetta NAPPA-unipöksyjen käyttömukavuudesta sekä toimivuudesta.
Mitä tutkimuksessa löydettiin?
Kehittämämme uniluokittimen toiminta osoittautui vertailukelpoiseksi muiden hengitys- tai liikesignaalia hyödyntävien menetelmien kanssa. Luokitin kykeni tunnistamaan syvän unen 82 % tarkkuudella, kevyen unen (N1/REM) 76 % tarkkuudella, sekä hereilläolon 75 % tarkkuudella. Virheelliset luokittelut, joissa koneoppimismenetelmä sijoitti datapisteet väärään luokkaan, tapahtuivat pääasiassa vierekkäisten luokkien välillä. Esimerkiksi 21 % hereilläolon jaksoista luokiteltiin virheellisesti kevyeksi uneksi ja 16 % kevyestä unesta syväksi uneksi.
Tutkimuksen tuloksia voidaan pitää yllättävänkin hyvinä kun tiedetään, että jopa koulutettujen asiantuntijoiden välinen yhtenäisyys unipolygrafiatutkimuksissa vaihtelee yleensä 60-80 % välillä. Osa näennäisistä luokitteluvirheistä tulee myös siitä, että unitilat eivät ole biologisesti tarkkarajaisia5. Siksi kehitimme unisyvyystrendin, joka visualisoi vauvan unen syvyyttä jatkuvana tapahtumana. Se tarjoaa kokonaisvaltaisen näkymän eri unitiloihin ja niiden ajalliseen vaihteluun, antaen laajan käsityksen unen muutoksista koko tallennusjakson aikana. Tämän avulla voidaan helposti arvioida unen säännönmukaisuutta, unisyklejä ja heräämiskertoja sekä tarkentaa eri univaiheiden kestoja. Uusi luokitusmenetelmä havainnollistaa selkeästi myös vauvojen siirtymistä syvempään uneen, ja sen tarkkuus eri unen tilojen erottelussa osoittaa menetelmän luotettavuutta.
Artikkelissamme toteutettu sähköinen käyttäjäkokemuskysely osoitti, että vanhemmat kokevat NAPPA-unipöksyjen mallin sekä toimivaksi että lapsille mukavaksi, eivätkä vanhemmat kokeneet sen vaikuttavan lasten normaaliin käyttäytymiseen. Käyttäjäkokemuskyselyn analyysi perustui vastausten tarkasteluun prosentteina, jolloin saimme yleiskuvan siitä, kuinka moni esimerkiksi koki unipöksymallin toimivaksi ja kuinka moni ei, sekä muista vastausvaihtoehdoista.
Lopuksi
Tutkimuksemme osoitti, että vauvan unen rakennetta voidaan arvioida luotettavasti myös lapselle tutussa ympäristössä sairaalan ulkopuolella. Silloin mittaukset kertovat lapsen unesta tosielämän näkökulmasta ja vähentävät perheille koituvaa rasitusta. Kokonaisuudessaan NAPPA-unipöksyt avaavat siis uusia mahdollisuuksia objektiivisten ja laaja-alaisten unen tutkimusten toteuttamiseen. Menetelmää tulee vielä kehittää pitkien mittausten tai maantieteellisesti hajautettujen tutkimusten tarpeisiin, ja algoritmiemme luotettavuus on varmennettava erilaisissa kulttuuri- ja potilasympäristöissä. Rakentamamme NAPPA-ratkaisu tehtiin avoimeksi (open science), jotta menetelmän helppo saatavuus edistäisi sen siirtymistä laajempiin tutkimuksiin ja jopa rutiininomaiseen terveydenhuoltoon.